Graph Neural Network（GNN）是什么？
图神经网络（GNN）是一种专门处理图结构数据的深度学习模型，能捕捉节点、边和全局拓扑中的复杂关系，在社交网络、分子结构、推荐系统等场景中表现优异。
一句话解释
图神经网络（GNN）是一种能直接在图结构数据上运行的深度学习模型，通过学习节点、边和全局拓扑信息，完成分类、预测和生成等任务。
为什么会被关注
许多现实数据天然带有图结构（如社交网络、分子结构、交通路网），传统神经网络（CNN、RNN）无法有效处理这种非欧几里得数据。GNN能同时利用节点自身特征和邻居信息，大幅提升建模精度。
从推荐系统到药物发现，GNN在多个领域刷新了SOTA（当前最优）结果，成为深度学习领域最活跃的方向之一。工业界（如Google、Meta、腾讯）已大规模部署GNN用于搜索、广告和风控。
核心逻辑
GNN的核心是消息传递机制：每个节点聚合其邻居的特征信息，通过可学习的神经网络更新自身表示。经过多层迭代，节点逐渐包含多跳邻域的结构与特征信息。
不同的GNN变体在聚合函数上有所区别：GCN使用归一化的邻接矩阵做加权平均，GAT引入注意力机制动态分配权重，GraphSAGE则支持采样邻居以提升大规模场景效率。
常见场景
社交网络：预测用户之间的连接（好友推荐）、识别社区结构；生物信息学：预测分子毒性、蛋白质相互作用位点；推荐系统：利用用户-物品二部图做协同过滤。
知识图谱：完成实体链接、关系预测；交通预测：将路网建模为图，预测未来车速或拥堵；计算机视觉：将图像中物体视为节点，推理物体间关系。
容易混淆的点
GNN与图嵌入（如Node2Vec）不同：图嵌入仅学习静态节点向量，而GNN能利用节点特征并泛化到未见节点。GNN与图卷积网络（GCN）不等价，GCN是GNN的一种具体实现，并非全部。
GNN并不总是优于传统模型：当图结构噪声大或特征稀疏时，简单方法如MLP+手工特征可能更有效。此外，过平滑问题（层数过多导致节点表示趋同）是GNN应用中的常见陷阱。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词操作型智能体是能够自主执行具体操作（如点击、输入、文件处理、设备控制）的AI系统，区别于仅对话或生成内容的智能体。它通过理解指令后直接操控软件或硬件，实现任务自动化，常见于RPA、智能家居、自动化测试等场景。
Computer Use 指 AI 模型具备直接操作计算机界面的能力，通过模拟鼠标点击、键盘输入、屏幕阅读等动作完成复杂任务，是 AI Agent 从“聊”到“做”的关键技术突破。
GUI Agent是基于多模态大模型的智能体，能够理解图形界面上的像素、按钮、文本框等元素，并通过模拟点击、键盘输入等方式执行操作任务。它不同于传统RPA需要固定脚本，可以灵活适应界面变化，是实现数字员工的关键技术方向。
UI理解是指人工智能模型通过视觉或代码分析，自动识别和理解用户界面中的按钮、文本框、菜单等元素及功能。这项技术让智能助手能代替用户操作App、自动化测试工具能精准点击、无障碍功能为视障人士朗读界面内容。它是实现“AI操控手机”的关键技术之一。
图表理解是指AI模型能够自动识别、解析各类图表（如柱状图、折线图、饼图等），理解其中的数据、趋势和关系，并生成自然语言描述或回答相关问题。它是多模态AI的重要能力，广泛应用于数据分析、自动报告生成、问答系统等场景。
表格理解是指AI模型自动解析表格结构（表头、行列关系、单元格内容）并理解其语义的过程，是文档智能、问答系统和数据分析的重要基础技术。